1、SHANDONG ELECTRIC POWER山东电力技术第50卷(总第312期)2023年第11期DOI:10.20097/ki.issn1007-9904.2023.11.003基于广义S变换和二维卷积神经网络的油纸绝缘局部放电超声信号识别朱庆东,朱孟兆,王学磊,顾朝亮,高志新(国网山东省电力公司电力科学研究院,山东济南250003)摘要:超声法是局部放电测量的重要方法。为更有效提取局部放电超声信号中的关键信息,提出一种基于广义S变换和二维卷积神经网络的油纸绝缘局部放电超声信号识别方法。首先,在实验室采集3种典型缺陷的局部放电超声信号,对预处理后的数据进行广义S变换,获得不同放电样本的时频
2、分布图像;然后,构建二维卷积神经网络,将时频图像作为输入,提取超声信号的时频特征;最后,输出对局部放电类型的识别结果。结果表明:该方法对不同局部放电类型的超声信号进行识别,准确率可以达到97.8%,能够更有效地提取超声信号的内在信息并进行局部放电识别。关键词:局部放电;超声信号;广义S变换;卷积神经网络;模式识别中图分类号:TM855文献标识码:A文章编号:1007-9904(2023)11-0020-07Patial Discharge Ultrasonic Signal Recognition in Oil-pressboardInsulation Using GST and 2D CNN
3、ZHU Qingdong,ZHU Mengzhao,WANG Xuelei,GU Zhaoliang,GAO Zhixin(State Grid Shandong Electric Power Research Institute,Jinan 250003,China)Abstract:Ultrasonic method is an important method for partial discharge measurement.In order to extract the key information ofpartial discharge ultrasonic signal mor
4、e effectively,a method of partial discharge ultrasonic signal recognition in oil-pressboardinsulation based on generalized S transform and two-dimensional convolutional neural network is proposed.Firstly,the partialdischarge ultrasonic signals of three typical defects were collected in the laborator
5、y,and the generalized S transform was appliedto the preprocessed data to obtain the time-frequency distribution images of different discharge samples.Then,a two-dimensionalconvolutional neural network is established,and the time-frequency image is used as input to extract the time-frequencycharacter
6、istics of the ultrasonic signal.Finally,the recognition result output of the partial discharge type show that this method canidentify the ultrasonic signals of different partial discharge types with an accuracy of 97.8%.It can extract the intrinsic informationof ultrasonic signals and identify parti
7、al discharge more effectively.Keywords:partial discharge;ultrasonic signal;generalized S-transform(GST);convolutional neural network(CNN);patternrecognition0引言电力变压器是电力系统中的核心设备,其安全运行对于维护电网安全有着重要意义。油纸绝缘作为油浸式变压器中的主要绝缘形式,其绝缘性能的劣化是造成变压器故障的主要原因1-2。局部放电作为内部绝缘故障的重要征兆,对其类型进行有效 辨 识 可 以 为 变 压 器 状 态 的 诊 断 评 估 提
8、 供参考3-4。超声法是通过测量局部放电产生的超声信号进行局部放电检测的方法,具有传感器安装方便、抗电磁干扰能力强等优点,在变压器局部放电检测上得到了广泛的应用5-6。目前,针对超声信号的分析主要围绕在利用其时间信息对局部放电进行定位上7-8,但同时超声信号中也包含着大量的放电信息,能够有效提取超声信号中的关键信息,对局部放电类型进行识别,可以有效提高局部放电的检测效基金项目:国网山东省电力公司科技项目(5206002000VF)。Science and Technology Project of State Grid Shandong Electric PowerCompany(520600
9、2000VF).20率。目前,局部放电信号的特征提取主要是从时域、频域和时频域等方面进行。文献 9 基于超声信号的时域、频域特征和时域压缩波形数据等特征提取方法,采用人工神经网络进行模式识别,获得了较好的效果。文献 10 运用小波包变换对局部放电超声信号进行分解,以小波包分解系数的统计量作为特征参量进行识别,但小波变换的效果依赖于小波基的选取,泛用性不强。文献 11 提出一种基于集合模态分解能量矩的特征提取方法,但是模态分解的分解级数通常是未知的,难以实际应用。近些年,由于计算机技术的快速发展,深度学习方法在图像识别、语音识别、文本处理等方向取得了巨大的进步12。其中,卷积神经网络因其能够对样
10、本中的特征进行自动提取,避免复杂的特征工程,在放电识别和故障诊断领域得到广泛的应用。文献13 使用深度残差网络对局部放电信号的边际谱图像进行直接识别,获得更高的正确率和更优的泛化性能。文献 14 首先采用盲源分离对原始超声波信号进行处理,然后选用卷积神经网络进行训练,提高局部放电类型识别的准确性。基于上述情况,提出一种基于广义 S 变换(generalized S-transform,GST)和二维卷积神经网络(2-dimension convolutional neural network,2D-CNN)相结合的局部放电超声信号识别方法。GST 是一种高效的自适应时频分析方法,适合用于非平稳
11、信号的处理上。基于 GST 对超声数据进行处理,获得不同放电类型样本的时频特征图像,构建 2D-CNN,自主提取时频图中的特征信息,实现局部放电超声信号的智能识别,并通过与其他方法进行对比,验证所提方法的准确性和有效性。1局部放电试验1.1试验平台为采集油纸绝缘局部放电的超声信号,搭建局部放电试验平台,如图 1 所示,主要包括高压测试回路、试验罐体和信号测量系统 3 个部分。高压测试回路由调压器、100 kV/20 MVA 试验变压器、保护电阻和变比为 2 000 1 的阻容式分压器组成。试验罐体整体由有机玻璃制成,内部设有可更换电极,可以模拟不同类型下的局部放电。信号测量系 统 主 要 包
12、括 高 频 电 流 传 感 器(high frequencycurrent transformer,HFCT)、超声传感器以及对应的采集装置。高频电流信号和超声信号通过同轴屏蔽电缆连接到采集卡上,最后由上位机进行数据处理。其中,超声传感器采用压电式声发射传感器,其谐振频率为 75 kHz,可测量频率范围为 15150 kHz,后接信号放大装置,其滤波范围设置为 20 120 kHz,该频段在变压器放电测量中具有一定的代表性2。图1局部放电试验平台Fig.1 Experiment platform of partial discharge1.2试验方法为模拟变压器内部不同类型的局部放电情况,设计
13、针板放电模型、柱板放电模型和球板放电模型,3 种缺陷模型的电极均为黄铜制作,绝缘纸板的厚度为 1 mm,下电极均为半径 75 mm、厚度为 15 mm 的圆板电极,上电极分别为针状电极、柱状电极和球状电极。在进行试验前,对油纸样品进行预处理,使其水分含量满足标准15。在正式试验前需要进行预试验,确定每种放电类型的局部放电起始电压(partial discharge inceptionvoltage,PDIV)和 击 穿 电 压(breakdown voltage,BDV),然后在 PDIV 和 BDV 之间、不同电压等级下均进行数据采集,获得不同放电剧烈程度下的超声数据,采样频率为 2.5 M
14、Hz。此外,为考虑传感器布设位置对信号的影响,对于每种放电类型,采集传感器在不同位置上获得的数据。对于采集到的超声信号,对其进行数据裁剪,以每一个工频周期(20 ms)内的超声信号为一组数据,进行后续的处理。朱庆东,等:基于广义S变换和二维卷积神经网络的油纸绝缘局部放电超声信号识别21山东电力技术第50卷(总第312期)2023年第11期2基本原理2.1广义S变换S 变换是由 Stockwell 等人16提出的一种时频分析方法,同时具有小波变换和短时傅里叶变换的优点。S 变换通过引入高斯窗函数,在保持相位信息的同时,使其具有可变的时频分辨率,在低频部分具有较高的频率分辨率,在高频部分具有较高的
15、时间分辨率。进一步地,GST 通过给定调节因子,控制高斯窗函数宽度的变化,能够获得更好的时频分辨率,适用于非平稳信号的分析17-18。对于任意一个平方可积的信号 x(t),其 GST 为S(,f)=-+x(t)|f2e-(-t)22f22e-i2ftdt(1)式中:f 为频率;为高斯窗函数的时移参数;为调节因子,当=1 时即为 S 变换。实际使用时,需要用到其离散形式,对于一个长度为 N 的离散时间序列 x a,令 a=jT(j=0,1,2,N-1),f=n/(NT),则其对应的离散 GST 为S(jT,nNT)=m=0N-1X m+nNTe-22m2n22ei2mjN,n 01Nm=0N-1
16、xmNT,n=0(2)式中:T 为其采样周期;X f 为序列 x a 的离散傅里叶变换;m 为累加符号的计数单位;n 为离散频率值的序号数。通过 GST 可以将一个一维的时间序列变换到二维的时频域中,其横坐标为时间,纵坐标为频率,可以反映信号在对应时刻和频率的能量分布细节。2.2二维卷积神经网络卷 积 神 经 网 络(convolutional neural network,CNN)是深度学习最典型的算法之一,其通过引入卷积和池化运算,增强对局部相关性特征的提取能力,能够自主地对输入信号进行特征提取。卷积神经网络主要由卷积层、池化层和全连接层组成,输入经过多个卷积层和池化层自主提取特征,然后通
17、过全连接层进行分类19-20。卷积层是 CNN 的核心,对输入和卷积核进行卷积运算,然后添加偏置并通过激活函数生成特征图。在训练过程中,卷积核的参数不断更新,可以强化卷积核的特征提取能力,对特征进行自主学习。对于2D-CNN,采用二维卷积核对二维输入图像中的二维分布特征进行提取。池化层通过池化操作对卷积层获得的特征图进行降采样,一方面减少了计算的参数,一方面增强了网络的泛化性能。全连接层对经卷积层和池化层提取的特征图进行展开,最后结合分类器进行分类。2.3GST与2D-CNN相结合的局部放电超声信号识别方法提出一种 GST 与 2D-CNN 相结合的局部放电超声信号识别方法,通过 GST 构建
18、超声信号的时频表达图谱,并使用 2D-CNN 对图谱信息进行提取,进而对局部放电类型进行识别。该方法流程如图 2所示。图2方法流程Fig.2 The method flowchart具体步骤如下:1)对获得的超声数据进行周期划分并筛选出有效数据,以一个工频周期内的数据为一组数据;2)对信号进行 GST,获得其时频图像,并将其进行灰度化处理,对数据进行归一化,增强模型的泛化能力;3)生成局部放电超声信号时频图像样本集,并按比例划分为训练集和测试集;4)构建卷积神经网络模型,并在训练集上进行模型训练,训练过程中不断调整网络模型以得到最22优网络模型;5)模型进行训练后,在测试集上对模型进行测试,获
19、得模型对于各种局部放电类型的识别效果。3效果和分析3.1信号处理对采集到的超声信号进行周期划分后得到针板放电数据 2 270 条,柱板放电数据 1 855 条,球板放电数据 1 530 条,对其进行幅值筛选,最终得到有效数据共 1 208 条,以 7 3 的比例划分训练集和测试集,各个放电类型的数据分布如表 1 所示。表1有效数据样本分布Table 1 Distribution of valid data samples单位:条放电类型针板放电柱板放电球板放电总计训练集340289215844测试集14712493364总计4874133081 208为减少数据量和处理时间,在进行 GST 前
20、,对信号进行降采样,将信号采样率降至 500 kHz,则每组数据的长度为 10 000。GST 的调节因子 可以对时频图像的时频分辨率进行调整,本文选取=0.4,以获得最优的时频分辨率。在进行 GST 时,仅对20 120 kHz 进行分析,得到不同放电类型的局部放电超声信号的变换结果如图 3 所示。(a)针板放电(b)柱板放电(c)球板放电图3不同放电类型超声信号的时频分布Fig.3 Time frequency distribution of ultrasoundsignals with different discharge types由图 3 可以看出,不同放电类型经 GST 后的时频
21、分布存在明显区别,时频图像中包含着丰富的细节信息,后续通过卷积神经网络可以有效地提取关键特征并进行放电类型的识别。3.2模型结构与参数设置网络模型结构如表 2 所示。首先将输入尺寸压缩到 200100 像素,以减少后续的计算量。然后输入连续通过 3 个卷积池化单元,首先通过大小为 55 的卷积核提取初级特征,然后通过两组大小为 33 的卷积核进一步提取深层特征。在经过卷积池化后,特征图的尺寸不断降低,通道数目不断增加,最后通过两层全连接层将其展开成一维向量,并通过 softmax 函数进行分类。为减小过拟合,在全连接层之后加入 dropout 层,丢弃概率设置为 0.2。朱庆东,等:基于广义S
22、变换和二维卷积神经网络的油纸绝缘局部放电超声信号识别23山东电力技术第50卷(总第312期)2023年第11期表2模型结构参数Table 2 Parameters of model structure网络结构Resize 层卷积层 C1池化层 S1卷积层 C2池化层 S2卷积层 C2池化层 S2全连接层全连接层Dropout 层输出层参数设置200100 像素551633 最大池化333222 最大池化336422 最大池化20482560.23除以上超参数,对损失函数、学习率和优化算法进行多次测试,最终选用损失函数为交叉熵函数,学习率设置为 0.01,优化算法为小批量随机梯度下降算法。3.3
23、识别效果分析本文算法的实现依靠 python 实现,深度学习框架为 pytorch,验证本文方法的平台为 RTX 3090 显卡。训练过程中损失和准确率随迭代次数的收敛曲线如图 4 所示,可以看出,随迭代次数的增加,模型的损失值不断减小,识别准确率不断上升。在 50次迭代后模型已经趋于稳定,可以达到较好的效果,在经过 200 次迭代后,模型基本收敛,损失值降低到 0.04 左右,在训练集上的准确率达到 98%左右。图4训练过程中损失和准确率的变化曲线Fig.4 The variations of loss and accuracy during training为进一步说明模型在测试集上的表现
24、,列出测试集上识别结果的混淆矩阵,如表 3 所示。表3识别结果的混淆矩阵Table 3 Confusion matrix of recognition results目标类型针板放电柱板放电球板放电输出类型针板放电14701柱板放电01225球板放电0287总识别准确率/%97.8由表 3 可以看出,测试集整体的识别准确率可以达到 97.8%,其中对于针板放电的样本全部识别正确,对于柱板放电有 2 个样本被错误识别为球板放电,球板放电的识别准确率较低,有 1 个样本被识别为针板放电,5 个样本被识别为球板柱板放电。可以看出,本文方法对于局部放电类型识别整体上具有较高的准确率,能够有效区分几种相
25、似的缺陷类型。3.4与其他方法对比将本文方法与其他 3 种方法进行对比,以验证其在局部放电超声信号识别上的优势。用于对比的方法所采用的训练集和测试集与本文方法一致,以总体识别准确率为指标评价不同方法的效果,识别准确率为识别准确的样本数和总样本数的比值,各方法的识别效果如表 4 所示。表4不同方法的识别效果对比Table 4 Comparison of recognition effects amongvarious methods单位:%识别方法123本文识别准确率87.989.594.897.8方法 1:对超声信号进行小波包变换,提取能量最大的节点的统计量作为特征参量7,然后采用支持向量机进
26、行识别。方法 2:对超声信号进行 GST,对获得的时频图24像进行特征降维,然后采用 BP 神经网络进行分类识别。方法 3:特征图像生成方法选用短时傅里叶变换,采用 CNN 进行图像识别11。从表 4 中可以看出,本文方法比其他方法具有更高的识别准确率,能更有效地利用超声信号的内在信息对放电进行识别。方法 1 和方法 2 分别基于小波包变换和 GST 对超声信号进行处理,然后用分类器对提取的特征量进行分类识别,在特征提取步骤会丢失大量的有效信息,造成识别准确率不高,显著低于深度学习方法。方法 3 采用短时傅里叶变换进行特征图的生成,采用卷积神经网络进行特征提取,能够达到 94.8%的准确率。本
27、文方法采用 GST进行时频变换,具有更高的时频分辨率,可以使故障特征在时频域中更加突出,识别准确率更高。4结论提出一种 GST 和 2D-CNN 相结合的局部放电超声信号识别方法,通过分析和研究,得到以下结论:1)采用 GST 对超声信号进行处理,可以获得具有高时频分辨率的时频图像,能够很好地区分不同放电类型,为下一步放电识别提供优秀的样本。2)采用 2D-CNN 对获得的时频图像进行处理,能够更有效地提取局部放电超声信号中的有效信息,对放电类型进行准确识别,平均识别准确率可以达到 97.8%。3)提出方法相比于机器学习分类方法和其他时频图像生成方法具有更高的识别准确率,验证了所提方法在局部放
28、电超声信号识别上的有效性。参考文献1李清泉,李斯盟,司雯,等.基于局部放电的电力变压器油纸绝缘状态评估关键问题分析 J.高电压技术,2017,43(8):2558-2565.LI Qingquan,LI Siming,SI Wen,et al.Analysis of key issues in theevaluation of oil-paper insulation status of power transformersbased on partial discharge J.High Voltage Technology,2017,43(8):2558-2565.2刘阳,董明,邢亚东,等
29、.油纸绝缘沿面放电多物理信号发展规律及阶段特征 J.中国电机工程学报,2023,43(4):1611-1622.LIU Yang,DONG Ming,XING Yadong,et al.The development lawand stage characteristics of multiple physical signals in surfacedischarge of oil-paper insulation J.Chinese Journal of ElectricalEngineering,2023,43(4):1611-1622.3唐志国,唐铭泽,李金忠,等.电气设备局部放电模式
30、识别研究综述 J.高电压技术,2017,43(7):2263-2277.TANG Zhiguo,TANG Mingze,LI Jinzhong,et al.Summary ofresearch on partial discharge pattern recognition in electricalequipmentJ.High Voltage Technology,2017,43(7):2263-2277.4SUN K,LI R,ZHAO L J,et al.Feature extraction based on time-seriestopologicalanalysisforthepa
31、rtialdischargepatternrecognition of high-voltage power cables J.Measurement,2023:113009.5李军浩,韩旭涛,刘泽辉,等.电气设备局部放电检测技术述评J.高电压技术,2015,41(8):2583-2601.LI Junhao,HAN Xutao,LIU Zehui,et al.Review of partialdischarge detection technology for electrical equipmentJHighVoltage Technology,2015,41(8):2583-2601.6
32、WANG Y X,YAN J,YANG Z,et al.A novel 1DCNN and domainadversarial transfer strategy for small sample GIS partial dischargepattern recognitionJ.Measurement Science and Technology,2021,32(12):125118.7席英杰,张崇兴,董明,等.基于蒙特卡洛模拟的声电联合局部放电定位阵列设计及快速定位方法研究 J/OL.电网技术:1-112022-09-12.http: Yingjie,ZHANG Chongxing,DON
33、G Ming,et al.Design ofacoustic electric joint partial discharge location array based onMonte Carlo simulation and research on fast location methodJ/OL.Power Grid Technology:1-112022-09-12.http: XY,XIONG J,ZHANG Y,et al.Partial discharge patternrecognition of switchgear based on residual convolutiona
34、l neuralnetwork J.Journal of Physics:Conference Series,2020,1659(1):12057.9张蕾,高胜友,谈克雄.油中局部放电超声信号模式识别的研究J.电工电能新技术,2002(3):32-35.ZHANG Lei,GAO Shengyou,TAN Kexiong.Research on patternrecognition of ultrasonic signal of partial discharge in oilJ.NewTechnologies in Electrical Energy,2002(3):32-35.10 王永强
35、,杨东星,何杰,等.基于小波包变换的干式变压器局部放电超声信号的模式识别 J.绝缘材料,2015,48(2):61-67.WANG Yongqiang,YANG Dongxing,HE Jie,et al.Patternrecognition of partial discharge ultrasonic signals in dry-typetransformers based on wavelet packet transformJ.InsulationMaterials,2015,48(2):61-67.11 王利福,刘屹江泽,王燚增.基于EEMD能量矩与ISSA-SVM算法的 GIS
36、局部放电类型识别方法 J.电子测量与仪器学报,2022,36(5):204-212.朱庆东,等:基于广义S变换和二维卷积神经网络的油纸绝缘局部放电超声信号识别25山东电力技术第50卷(总第312期)2023年第11期WANG Lifu,LIU Yijiangze,WANG Yizeng.A GIS partialdischarge type recognition method based on EEMD energy momentand ISSA-SVM algorithmJ.Journal of Electronic Measurementand Instrumentation,2022,
37、36(5):204-212.12 SONG H,DAI J,SHENG G,et al.GIS partial discharge patternrecognition via deep convolutional neural network under complexdata sourceJ.IEEE Transactions on Dielectrics&ElectricalInsulation,2018,25(2):678-685.13 高盎然,朱永利,张翼,等.基于边际谱图像和深度残差网络的变压器局部放电模式识别 J.电网技术,2021,45(6):2433-2442.GAO Ang
38、ran,ZHU Yongli,ZHANG Yi,et al.Partial dischargepattern recognition of transformers based on marginal spectralimages and deep residual networks J.Grid Technology,2021,45(6):2433-2442.14 张重远,岳浩天,王博闻,等.基于相似矩阵盲源分离与卷积神经网络的局部放电超声信号深度学习模式识别方法 J.电网技术,2019,43(6):1900-1907.ZHANG Chongyuan,YUE Haotian,WANG Bow
39、en,et al.Deeplearning pattern recognition method of partial discharge ultrasonicsignal based on matrix similarity blind source separation andconvolutional neural networkJ.Grid Technology,2019,43(6):1900-1907.15 中国电力企业联合会.运行中变压器油质量:GB/T 75952017S.北京:中国标准出版社,2017.16 STOCKWELL R G,MANSINHA L,LOWE R P.L
40、ocalization of thecomplex spectrum:The S transformJ.IEEE Transactions onSignal Processing,1996,44(4):998-1001.17 PINNEGAR C R,MANSINHA L.The S-transform with windows ofarbitrary and varying shape J.Geophysics,2003,68(1):381.18 RANJAN R,JINDAL N,SINGH A K.The identities of n-dimensional s-transform a
41、nd applications J.Multimedia Toolsand Applications,2022,81(12):16661-16677.19 GAJERA H K,NAYAK D R,ZAVERI M A.A comprehensiveanalysis of dermoscopy images for melanoma detection via deepCNN features J.Biomedical Signal Processing and Control,2023,79(P2):104186.20 ARTUR D,TINGWEI K L,KITTY M,et al.Ob
42、ject detection inSEM images using CNN:Geological application on size distributionof pyrites in mudrocksJ.Microscopy and Microanalysis,2022(S1).DOI:10.1017/S1431927622011102.收稿日期:2023-03-24修回日期:2023-06-26作者简介:朱庆东(1987),男,博士,高级工程师,主要研究方向为变压器设备状态检测及故障诊断;朱孟兆(1980),男,博士,正高级工程师,主要研究方向为绝缘材料破坏机理及老化特性研究;王学磊(1986),男,博士,高级工程师,主要研究方向为变压器设备状态评价及故障诊断研究;顾朝亮(1989),男,博士,高级工程师,主要研究方向为变压器设备状态检测及故障诊断;高志新(1986),男,工程师,从事变电设备高压试验及状态检测工作。(责任编辑郑天茹)26
©2010-2024 宁波自信网络信息技术有限公司 版权所有
客服电话:4008-655-100 投诉/维权电话:4009-655-100